刚接触 FlashAttention 那会，我被一个困惑砸懵了：明明 Attention 机制的计算量已经是 O(n²) 了，业界还在拼命优化它，图什么？
直到我看见一组数据才明白------训练一个 1750 亿参数的 GPT-3，光是 Attention 计算就要消耗 60% 的算力。这东西要是跑得慢，整个模型就是摆设。
为什么标准 Attention 是个"内存吞金兽"
传统 Attention 的问题不在计算量，在于它来来回回读写 HBM（高带宽内存）的次数太多。
算一次 Self-Attention，标准流程是这样的：
- Q、K、V 三个矩阵从 HBM 读进来
- 计算 QK^T，得到 n×n 的注意力分数矩阵
- 这个矩阵要 softmax，softmax 要取指数、取和，光这一步就涉及多次矩阵运算
- 最后乘以 V，结果写回 HBM
问题出在哪？中间那个 n×n 的矩阵。对于一个 4096 长度的序列，这个矩阵是 4096×4096 = 1600 万个元素，单精度浮点数就是 64MB。跑一次前向传播，这个矩阵要进进出出 HBM 至少 3-4 次。光这一项，内存带宽就被吃干净了，GPU 计算单元反而在"等米下锅"。
FlashAttention 的核心思路很简单：让数据在 SRAM 里多转几圈，少回 HBM 串门。
昇腾NPU上怎么"省内存"
ops-transformer 仓里的 FlashAttention 算子，是基于昇腾异构计算架构（昇腾CANN）实现的。它的优化策略可以总结为三个字：分块计算。
具体来说，FlashAttention 把 Q、K、V 切成小块（Tile），每次只把一个小块加载到加速器的片上缓存，计算出这一块的 Attention 结果，然后和已计算的部分做融合。
这么做有两个好处：
第一，峰值内存从 O(n²) 降到 O(n)。 不需要一次性把完整的注意力分数矩阵存下来了。拿 4096 序列长度来说，标准实现需要约 64MB 中间buffer，FlashAttention 只需要几百 KB 的片上缓存，差距是几百倍。
第二，计算量和标准实现完全等价。 没有因为省内存就牺牲精度，数学上严格等价。
实测数据：省内存不省速度
我拿到一组在 Ascend 910 上的实测数据（来自 cann-recipes-infer 仓库的 Benchmark）：
| 配置 | 序列长度 | 显存占用 | 吞吐量 |
|---|---|---|---|
| 标准 Attention | 4096 | 16.8 GB | 1,250 tokens/s |
| FlashAttention（融合版） | 4096 | 2.1 GB | 3,870 tokens/s |
显存降到原来的八分之一，吞吐量反而提升了 2 倍多。这才是真正的"降本增效"。
为什么会这样？显存带宽省下来之后，数据搬运的瓶颈没了，计算单元可以满载跑。
在昇腾NPU上怎么用
代码比想象中简单：
python
import torch
from cann import ops
# Q/K/V: [batch, heads, seq_len, head_dim]
q = torch.randn(1, 32, 4096, 64, device='npu')
k = torch.randn(1, 32, 4096, 64, device='npu')
v = torch.randn(1, 32, 4096, 64, device='npu')
# 直接调用融合算子，一次搞定
output = ops.flash_attention(q, k, v, head_dim=64)这里没有手写 attention_mask、没有手动做 softmax 归一化，算子内部全给你融合好了。开发团队在注释里写了句大实话：
# 直接上融合，省一次搬运，NPU 片上缓存不是给你放着看的
这注释风格，一看就是被内存带宽折磨过的工程师写的。
一个细节：Flash Attention vs 持久化 Flash Attention
如果你用的是 MoE（Mixture of Experts）架构的 Dense 模型，会遇到一个新问题：显存够用了，但计算还是慢。
这时候可以试试持久化 Flash Attention（Persistent Flash Attention）。它的思路是：对于 KV Cache 变化不大的场景，提前把 K/V 的计算结果缓存起来，复用计算结果而不是重复算。
ops-transformer 仓里的 MC2 算子（Multi-Centered Attention）就支持这种模式。在长序列场景（超过 32k token）下，MC2 的吞吐量比普通 Flash Attention 还能再高 40% 左右。
下一步
想自己跑一跑？昇腾社区的 cann-learning-hub 有完整的教程，从环境搭建到 Benchmark 实测，踩坑点都给你标出来了：
https://atomgit.com/cann/cann-learning-hub
顺便说一句，如果你打算在 Ascend 910 上跑 70B 以上的大模型，Flash Attention 是必选项，不是可选项。显存不够，一切免谈。